DETEKSI KEMIRINGAN ALUR POLA SIDIK JARI DENGAN HAMMING NET SEBAGAI DASAR KLASIFIKASI

Sri Suwarno, Sri Hartati

Abstract


Sidik jari memiliki dua fitur penting yang disebut fitur lokal (minutiae) dan fitur global (singularities). Fitur lokal terdiri dari bagian-bagian detail dari sidik jari, sedangkan fitur global terdiri alur (ridge), titik pusat (core), dan titik persimpangan (delta). Fitur lokal biasanya digunakan sebagai dasar pencocokan sidik jari, sedangkan fitur global biasanya dipakai untuk dasar klasifikasi. Klasifikasi berdasarkan keberadaan dan posisi core dan delta memerlukan proses komputasi yang rumit dan panjang. Pada penelitian ini sudut kemiringan alur diteliti, dengan harapan dapat dipakai sebagai dasar klasifikasi yang lebih sederhana dan lebih cepat proses komputasinya. Pertama, citra grayscale sidik jari dikonversi menjadi citra biner, kemudian dilakukan proses thinning dan selanjutnya dikonversi menjadi citra bipolar. Kedua, dibuat 12 definisi sudut potongan alur yang melewati blok berukuran 3x3 piksel. Nilai dari piksel-piksel pada ke 12 blok tersebut digunakan sebagai target pelatihan bagi Hamming Network. Dengan memproses setiap blok berukuran 3x3 piksel dari citra sidik jari dengan Hammning Network maka sudut kemiringan potongan alur pada blok tertentu dapat ditentukan. Penelitian ini menghasilkan klasifikasi dengan ketepatan 63% dari 80 sampel pola sidik jari.


References


Ashbourn, J., 2000, Biometrics: Advanced Identity Verification The Complete Guide, Springer, London,.

Bazen A.M. dan Gerez S.H., 2002, Systematic Methods for the Computation of the Directional Fields and Singular Points of Fingerprints, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No. 7, July, pp. 905-919.

Bow, S.T., 2002, Pattern Recognition and Image Processing, 2nd Edition, Revised and Expanded, Marcell Deker, Inc., New York,.

Fausett, L., Fundamentals of Neural Networks, Architectures, Algorithms and Applications, Prentice-Hall.

Kulkani, J.A., Jayadevan R, Mali S.N., Abhyankar H.H., Holambe R.S., A New Approach for Fingerprint Classification based on Minutiae Distribution, International Journal of Computer Science Volume 1 Number 4

Maltoni, D., Maio, D., Jain, A.K., Prabakhar, S., 2003, Handbook of Fingerprint Recognition, Springer, New York,.

Mostafa, M., Allah., A., 2005, Artificial Neural Networks Based Fingerprint Authentification With Clusters Algorithm, Informatica 29,.

Rahmati, M. Dan Jannatpour, A., Fingerprint Classification using singular points and Fourier image, Computer Engineering Department, Amir Kabir University of Technology.

Wang, S., Zhang, W.W., Wang, Y.S., 2002, Fingerprint Classification by Directional Fileds, IEEE.

Wang, S dan Lee, C., Fingerprint Recognition Using Directional Micropattern Histograms and LVQ Networks, Department of Electrical Engineering, National Taiwan University.

Wei, L., 2008, Fingerprint Classification Using Singularities Detection, International Journal Of Mathematics and Computer Simulation, Issue 2, Volume 2.

Zhang, Q., Huang, K., Yan, H., 2002, Fingerprint Classification Based on Extraction and Analysis of Singularities and Pseudoridges, Australian Computer Society, Inc.


Refbacks

  • There are currently no refbacks.